Detecção de anomalias em dados históricos de criptomoedas

Abstract

O mercado de criptomoedas é conhecido por sua natureza volátil e desregulada, tornando a identificação de padrões anômalos uma tarefa desafiadora, mas de extrema importância. O presente trabalho explora a detecção de anomalias em dados históricos de criptomoedas utilizando os algoritmos de Machine Learning, em específico, Robust Covariance, One-Class SVM, Isolation Forest, Local Outlier Factor e o método estatístico Z-score. Após uma revisão da fundamentação teórica sobre criptomoedas, mercado de criptomoedas, Machine Learning e algoritmos de detecção de anomalias, foi realizada a coleta de dados históricos de criptomoedas da plataforma Investing. Esses dados foram utilizados para treinar e avaliar os modelos. Após o treinamento dos modelos, foram realizadas análises de desempenho e comparação entre os algoritmos. Também foram criados recursos de visualização dos dados para auxiliar na interpretação dos resultados.